0. 摘要

首先给出一图流进行学习，重点都突出在下面了

1. 理论重点：Attention 的变化

这次新模型发布，可以看出，DS 为了应对 1M 超长上下文不爆显存，下了很大的功夫。借鉴了类似《MSA: Memory Sparse Attention for Efficient End-to-End Memory Model Scaling to 100M Tokens》 这篇恒大团队的思想：很多时候，超长上下文下，某几个 token 的重要程度较低，既然如此，将这么 M 个 token 聚合起来，视作一个 token，不就得了？（ps，CNN 时代的古法炼丹思想还在追我）。

但是，不同于之前这篇论文，它没有把长上下文问题完全改造成一个外部 memory / document routing 系统，而是直接在 Transformer block 内部重构了 Attention、KV Cache 和推理时的数据布局。换句话说，DeepSeek-V4 仍然长得像一个 Transformer，但它内部已经不是传统的 token-level dense attention 了。

DeepSeek-V4 的 Attention 不再让每个 query token 直接 attend 到所有历史 token，而是先把历史 token 压缩成更少的 KV entry，再根据层类型选择“稀疏看一部分”或者“密集看压缩后的全部”。论文里把这个叫做 Hybrid Attention with CSA and HCA：

• CSA：Compressed Sparse Attention。每 m 个 token 压成 1 个 compressed KV entry，然后再通过 indexer 选 top-k 个 compressed entry 做 attention。
• HCA：Heavily Compressed Attention。每 m' 个 token 压成 1 个 compressed KV entry，m' >> m，但压缩后不做 sparse top-k，而是 dense attention over compressed KV。

这比单纯的 sparse attention 更复杂，也比单纯的 KV compression 更激进。它是 compression、sparse selection、sliding window、MQA 和低精度 indexer 的组合拳。

1.1 普通 Attention 的瓶颈

普通 self-attention 大概是这样：

# x: [seq_len, hidden]
q = x @ Wq
k = x @ Wk
v = x @ Wv

score = q @ k.T / math.sqrt(head_dim)      # [seq_len, seq_len]
prob = torch.softmax(score, dim=-1)
out = prob @ v

在 decode 阶段，虽然每次只生成一个 token，但这个 token 仍然要和所有历史 KV 做 dot product：

# decode one token
q_t = h_t @ Wq                  # [head_dim]
score_t = q_t @ K_cache.T       # [past_len]
out_t = torch.softmax(score_t, dim=-1) @ V_cache

当 past_len = 1M 时，这个操作就非常恐怖了。注意，这里不只是算力问题，还有显存问题：每个历史 token 都要存 K/V。

MSA 这类工作也是在解决类似问题。它的思路更像是把长上下文组织成可检索的 memory/document 结构，通过 memory sparse attention、document-wise RoPE、KV cache compression 和 memory parallel 去支撑更长上下文。DeepSeek-V4 的路线更贴近标准 Transformer：它没有把模型外部化成一个 memory system，而是在 Attention 层内部直接改变 KV 的表示方式。

1.2 CSA：先压缩，再稀疏选择

CSA 的核心路径是：

Token-level KV
  -> 每 m 个 token 压成 1 个 compressed KV
  -> Lightning Indexer 给 compressed KV 打分
  -> 选 top-k
  -> query 只 attend 到这 k 个 compressed KV + sliding window KV